YOLO11과 YOLOv5 비교

적합한 신경망 아키텍처를 선택하는 것은 모든 컴퓨터 비전 프로젝트의 핵심 결정입니다. 인공지능이 발전함에 따라 개발자와 연구자가 사용할 수 있는 도구도 발전합니다. 이 가이드에서는 Ultralytics 생태계에서 널리 사용되는 두 모델, 오랜 역사를 지닌 YOLOv5와 최신 모델인 YOLO11을 기술적으로 비교합니다.

엣지 AI 애플리케이션에 경량 모델을 배포하든 클라우드 GPU에서 고해상도 비디오 스트림을 처리하든, 모델의 아키텍처적 특성과 성능 지표, 이상적인 사용 사례를 이해하면 특정 배포 제약에 맞춰 데이터에 기반한 선택을 내릴 수 있습니다.

모델 계보 및 기술 세부 정보#

두 모델 모두 오픈 소스 협업, 안정적인 성능, 사용 편의성에 대한 Ultralytics의 중점을 반영하며 머신러닝 커뮤니티에서 널리 채택되었습니다.

YOLO11 세부 정보#

YOLOv5 세부 정보#

아키텍처 차이#

YOLOv5에서 YOLO11로 발전하면서 정확도와 파라미터 효율성을 향상하는 여러 아키텍처 변경 사항이 도입되었습니다.

YOLOv5는 PyTorch로 기본 구현된 초기 YOLO 모델로, CSPNet(교차 단계 부분 네트워크) 백본과 PANet(경로 집계 네트워크) 넥을 사용했습니다. 앵커 기반 탐지에 의존했기 때문에 객체 경계를 예측하려면 미리 정의된 앵커 상자가 필요했습니다. 효과가 뛰어났지만 사용자 지정 컴퓨터 비전 데이터셋에 맞게 앵커를 조정하는 작업은 번거로울 수 있었습니다.

반면 YOLO11은 앵커 프리 탐지 방식을 사용합니다. 따라서 앵커 상자를 수동으로 조정할 필요가 없어 학습 프로세스를 간소화하고 COCO 데이터셋과 같은 다양한 데이터셋에서 일반화 성능을 높입니다. 또한 YOLO11은 분리형 헤드를 갖추어 분류와 경계 상자 회귀 작업을 별도의 분기에서 처리합니다. 이러한 분리는 특히 복잡한 객체 탐지 시나리오에서 수렴 속도와 평균 정밀도(mAP)를 개선합니다.

성능 지표 및 벤치마크#

아래 표는 다양한 모델 크기의 주요 지표를 비교합니다. 두 모델 모두 메모리 요구량이 적은 Ultralytics 모델이며, 일반적으로 학습 중 트랜스포머 기반 대안보다 CUDA 메모리를 적게 사용해 하드웨어 진입 장벽을 낮춥니다.

모델크기
(픽셀)
mAPval50-95속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(M)
FLOPs
(B)
YOLO11n64039.556.11.52.66.5
YOLO11s64047.090.02.59.421.6
YOLO11m64051.5183.24.720.168.1
YOLO11l64053.4238.66.225.387.2
YOLO11x64054.7462.811.356.9195.3
YOLOv5n64028.0-1.121.94.5
YOLOv5s64037.4-1.927.216.5
YOLOv5m64045.4-4.0321.249.0
YOLOv5l64049.0-6.6146.5109.1
YOLOv5x64050.7-11.8986.7205.7

YOLO11은 모든 스케일에서 더 높은 mAP를 제공합니다. 예를 들어 YOLO11m은 파라미터 20.1M으로 51.5 mAP를 달성하는 반면, YOLOv5m은 파라미터 21.2M으로 45.4 mAP를 달성합니다. YOLOv5n, YOLOv5s, YOLOv5m은 T4 TensorRT에서 약간 더 빠르지만 정확도는 상당히 낮습니다.

학습 방법 및 사용성#

Ultralytics의 핵심 원칙은 사용 편의성이며, 이는 잘 관리되는 생태계와 폭넓은 커뮤니티 지원으로 뒷받침됩니다.

YOLOv5는 역사적으로 실행에 명령줄 인터페이스(CLI) 스크립트(train.py, detect.py)를 사용했습니다. 강력한 방식이지만 이러한 스크립트를 사용자 지정 Python 애플리케이션에 직접 통합하려면 우회 방법이 필요한 경우가 많았습니다.

YOLO11은 간소화된 ultralytics Python 패키지 (YOLOv8과 함께 도입됨)를 기반으로 합니다. 이 통합 API는 학습부터 모델 내보내기, ONNX, OpenVINO, TensorRT와 같은 형식으로의 내보내기까지 모든 작업을 기본적으로 처리합니다.

Ultralytics Platform으로 배포 간소화

노코드 워크플로를 원한다면 개발자는 Ultralytics Platform을 사용해 데이터를 어노테이션하고, 클라우드에서 모델을 학습하며, 엣지 장치에 배포할 수 있습니다.

코드 비교#

Python API를 사용해 YOLO11을 학습하는 방법은 다음과 같습니다.

from ultralytics import YOLO

# 사전 학습된 YOLO11 소형 모델을 불러옵니다
model = YOLO("yolo11s.pt")

# 사용자 지정 데이터로 모델 학습
results = model.train(data="coco8.yaml", epochs=50, imgsz=640, device=0)

# 배포를 위해 모델을 ONNX로 내보내기
model.export(format="onnx")

YOLOv5 저장소를 사용하는 레거시 시스템에서 CLI로 학습하려면 다음과 같이 실행합니다.

# Clone the repository and run the training script
git clone https://github.com/ultralytics/yolov5
cd yolov5
pip install -r requirements.txt

python train.py --img 640 --batch 16 --epochs 50 --data coco128.yaml --weights yolov5s.pt

적합한 사용 사례 및 실제 응용 분야#

두 모델은 서로 다른 운영 환경에 적합한 고유한 강점을 갖고 있습니다.

YOLOv5를 사용해야 하는 경우#

최신 세대 모델이 출시되었지만, YOLOv5는 다음과 같은 경우에 여전히 신뢰할 수 있는 선택지입니다.

  • 레거시 시스템 통합: YOLOv5의 특정 텐서 구조 또는 배포 파이프라인과 깊이 통합되어 있어 쉽게 리팩터링할 수 없는 환경입니다.
  • 학술 연구 기준 모델: 의료 영상 분석의 재현 가능한 학술 연구를 위해 검증된 장기간의 기준 모델이 필요한 연구자에게 적합합니다.

YOLO11을 사용해야 하는 경우#

YOLO11은 다목적성 덕분에 최신 프로덕션 파이프라인에 더 적합합니다.

미래를 향해: YOLO26 아키텍처#

YOLO11은 여전히 강력한 표준 모델이지만 컴퓨터 비전은 계속 발전하고 있습니다. 새 프로젝트를 시작하는 개발자는 2026년 1월에 출시된 현재 권장 모델인 Ultralytics YOLO26도 고려해야 합니다.

YOLO26은 엣지 최적화와 엔터프라이즈 규모 모두를 고려해 설계되었습니다. 주요 변경 사항은 다음과 같습니다.

  • 엔드투엔드 NMS 프리 설계: YOLO26은 기본 엔드투엔드 추론을 지원하며, 더 빠르고 간편한 배포를 위해 nms=False을 사용한 후처리에서 비최대 억제 (NMS)를 생략합니다.
  • DFL 제거: 모델 내보내기를 간소화하고 저전력 디바이스 호환성을 높이기 위해 분포 초점 손실을 제거했습니다.
  • MuSGD 옵티마이저: SGD와 Muon의 하이브리드로, 대규모 언어 모델(LLM) 학습의 안정성을 컴퓨터 비전에 적용해 수렴 속도를 높입니다.
  • CPU 추론 최대 43% 향상: YOLO26n은 CPU에서 YOLO11n보다 최대 43% 빠르게 실행되므로, IoT 배포와 전용 GPU가 없는 장치에 적합합니다.
  • ProgLoss + STAL: 점진적 손실과 소형 객체 인식형 레이블 할당(STAL)은 작은 객체 인식을 개선하며, 이는 항공 드론 영상에 매우 중요합니다.

요약#

YOLO11과 YOLOv5 중 무엇을 선택할지는 궁극적으로 프로젝트의 수명 주기 단계에 따라 달라집니다. YOLOv5는 검증된 안정성과 대규모 커뮤니티를 제공합니다. 두 모델 중 새 작업에는 더 높은 정확도, 간편한 Python API, 더 다양한 작업 지원을 결합한 YOLO11이 더 적합합니다. 현재 최고의 정확도와 CPU 속도를 원한다면 YOLO26으로 시작하세요. YOLO26은 Ultralytics Platform에서 학습하고 배포할 수도 있습니다.

댓글

질문을 하거나 결과를 공유하거나 다른 사람을 도와주세요.